CN107203687B - 吸收塔脱硫过程多目标协同智能优化控制方法 - Google Patents

吸收塔脱硫过程多目标协同智能优化控制方法 Download PDF

Info

Publication number
CN107203687B
CN107203687B CN201710248836.7A CN201710248836A CN107203687B CN 107203687 B CN107203687 B CN 107203687B CN 201710248836 A CN201710248836 A CN 201710248836A CN 107203687 B CN107203687 B CN 107203687B
Authority
CN
China
Prior art keywords
absorption tower
desulfurization
optimization
particle
desulfurization process
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710248836.7A
Other languages
English (en)
Other versions
CN107203687A (zh
Inventor
王艺霏
张志刚
叶翔
翟伟翔
郭婷婷
谭俊龙
雷蕾
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch
Original Assignee
China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch filed Critical China Datang Corp Science and Technology Research Institute Co Ltd Huazhong Branch
Priority to CN201710248836.7A priority Critical patent/CN107203687B/zh
Publication of CN107203687A publication Critical patent/CN107203687A/zh
Application granted granted Critical
Publication of CN107203687B publication Critical patent/CN107203687B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G05—CONTROLLING; REGULATING
    • G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
    • G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
    • G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
    • G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
    • G05B13/042—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators in which a parameter or coefficient is automatically adjusted to optimise the performance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/10—Analysis or design of chemical reactions, syntheses or processes

Abstract

本发明属于火电技术领域，尤其涉及一种吸收塔脱硫过程多目标协同智能优化控制方法，包括：步骤1，基于粒子群优化算法的多目标优化控制，将吸收塔石灰石浆液供给量、循环泵运行组合方式作为优化目标进行遍历迭代寻优，并在遍历迭代寻优过程中基于吸收塔过程模型获取出口SO2浓度和脱硫设备能耗的概率分布；步骤2，根据优化的目标函数评判所述优化目标的优劣；其中，优化的目标函数是在实现出口SO2浓度达标，并降低脱硫设备能耗之间寻求最优。本发明可以有效地选取吸收塔石灰石浆液供给量、循环泵运行组合方式这两个优化目标，同时实现了出口SO2浓度达标，并降低了脱硫设备的能耗。

Description

吸收塔脱硫过程多目标协同智能优化控制方法
技术领域
本发明属于火电技术领域，尤其涉及一种吸收塔脱硫过程多目标协同智能优化控制方法。
背景技术
近年来，我国的火电装机容量持续攀升，发电市场的竞争局面日趋严峻。另一方面，煤价成本飞升和国内各种环保规范更严格的约束，在未来一段时间内，发电企业如何提高燃烧效率，减少污染物排放，降低发电成本将成为其重点考虑的问题之一。
为了实现出口SO2浓度达标，并降低脱硫设备能耗，需要一种吸收塔脱硫过程智能优化控制方法。
发明内容
为解决上述技术问题，本发明的目的是提供一种吸收塔脱硫过程多目标协同智能优化控制方法，有效地选取吸收塔石灰石浆液供给量、循环泵运行组合方式这两个优化目标，同时实现出口SO2浓度达标，并降低脱硫设备的能耗。
本发明提供了一种吸收塔脱硫过程多目标协同智能优化控制方法，包括：
步骤1，基于粒子群优化算法的多目标优化控制，将吸收塔石灰石浆液供给量、循环泵运行组合方式作为优化目标进行遍历迭代寻优，并在遍历迭代寻优过程中基于吸收塔过程模型获取出口SO2浓度和脱硫设备能耗的概率分布；
步骤2，根据优化的目标函数评判优化目标的优劣；其中，优化的目标函数是在实现出口SO2浓度达标，并降低脱硫设备能耗之间寻求最优。
进一步地，步骤1具体包括：
将变化的脱硫变量输入多目标优化模型，并随机生成多个多维度粒子；其中，每个粒子对应于当前工况下的一组石灰石浆液供给量、循环泵运行组合方式的值；其中，脱硫变量包括机组的计划发电量和预测入口SO2浓度；
对所有粒子进行遍历迭代寻优的过程中，将每个粒子输入离线学习得到的吸收塔脱硫过程模型，通过贝叶斯推理，得到的脱硫运行状态，进而得到出口 SO2浓度和脱硫设备能耗的概率分布。
进一步地，对所有粒子进行遍历迭代寻优包括：
在每一次迭代后，每个粒子自动根据自己的历史最优值和全局的最优值更新自己的参数；
经历了所有迭代后，所有粒子收敛至最优的位置。
进一步地，粒子群优化算法的过程包括：
1)设置N个粒子的初始值，每个粒子xi代表优化问题的一个潜在解， i∈[1,N]；其中，对于最小值优化问题，每个粒子的适应值Fitnessi，每个粒子的最优位置
Figure BDA0001271405730000021
和整个种群的最优位置gbest都设为无穷大；
2)在迭代次数t达到设置的最大迭代数tmax之前，或者，未满足终止条件的情况下，在每次迭代中重复以下步骤：
(a)计算每个粒子的适应值，Fitnessi＝f(xi)；
(b)更新每个粒子迄今为止搜索到的最优位置
Figure BDA0001271405730000022
(c)更新整个粒子群迄今为止搜索到的最优位置
Figure BDA0001271405730000023
(d)根据下式移动粒子，
xi,t+1＝xi,t+ui,t+1,
其中，式中ui,t+1定义为
Figure BDA0001271405730000024
其中，ui,t代表第i个粒子在时间段t的飞行速度，ui,t+1代表第i个粒子在下个时间段t+1的飞行速度，ω是小于1的常数，用来反馈粒子在时间段t的飞行速度对下个时间段t+1的飞行速度的影响；xi,t代表第i个粒子当前的位置；学习因子c1和c2是确定飞行速度影响的权重值；r1和r2是介于[0,1]之间的随机常数；
(e)t＝t+1；
3)迭代结束，得出满足多维目标函数f(x)的最优解x。
进一步地，吸收塔过程模型的建立过程包括：
基于贝叶斯网络确定吸收塔脱硫过程模型结构，包括将负荷、入口SO2浓度、入口温度、入口O2浓度、pH值作为非可调控输入变量，将吸收塔石灰石浆液供给量和循环泵运行组合作为可调控输入变量，将出口SO2浓度作为输出变量；
基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数，包括根据吸收塔的脱硫历史运行数据和相关试验数据，通过各脱硫运行变量之间依赖关系的强弱的概率分将先验信息与样本知识相结合，自动进行离线学习模型参数；
根据确定的吸收塔脱硫过程模型结构及参数，建立基于贝叶斯网络的吸收塔脱硫过程模型。
进一步地，吸收塔过程模型的建立过程还包括：将吸收塔脱硫过程模型作为优化控制中的目标函数，通过贝叶斯推理由每组候选脱硫控制量推导出相应的吸收塔运行状态，用以选出经济性最优的脱硫控制量。
进一步地，贝叶斯推理使用变量消除法，通过联合概率分布相加除去无关变量得到任一变量的条件概率。
进一步地，贝叶斯推理包括从观察的脱硫控制量预测受其影响而得到的出口SO2浓度。
进一步地，贝叶斯推理还包括从观察的出口SO2浓度推断出导致其发生的脱硫控制量变化。
进一步地，吸收塔过程模型的建立过程还包括通过计算均方根误差率选择最优的吸收塔脱硫过程模型结构来描述吸收塔的脱硫过程。
借由上述方案，通过吸收塔脱硫过程多目标协同智能优化控制方法，可以有效地选取吸收塔石灰石浆液供给量、循环泵运行组合方式这两个优化目标，同时实现了出口SO2浓度达标，并降低了脱硫设备的能耗。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。
附图说明
图1是本发明吸收塔脱硫过程多目标协同智能优化控制方法的流程图；
图2是本发明粒子群优化算法的流程图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
参图1所示，本实施例提供了一种吸收塔脱硫过程多目标协同智能优化控制方法，包括：
步骤S1，基于粒子群优化算法的多目标优化控制，将吸收塔石灰石浆液供给量、循环泵运行组合方式作为优化目标进行遍历迭代寻优，并在遍历迭代寻优过程中基于吸收塔过程模型获取出口SO2浓度和脱硫设备能耗的概率分布；
步骤S2，根据优化的目标函数评判优化目标的优劣；其中，优化的目标函数是在实现出口SO2浓度达标，并降低脱硫设备能耗之间寻求最优。
在本实施例中，步骤S1具体包括：
将变化的脱硫变量输入多目标优化模型，并随机生成多个多维度粒子；其中，每个粒子对应于当前工况下的一组石灰石浆液供给量、循环泵运行组合方式的值；其中，脱硫变量包括机组的计划发电量和预测入口SO2浓度；
对所有粒子进行遍历迭代寻优的过程中，将每个粒子输入离线学习得到的吸收塔脱硫过程模型，通过贝叶斯推理，得到的脱硫运行状态，进而得到出口 SO2浓度和脱硫设备能耗的概率分布。
在本实施例中，对所有粒子进行遍历迭代寻优包括：在每一次迭代后，每个粒子自动根据自己的历史最优值和全局的最优值更新自己的参数；经历了所有迭代后，所有粒子收敛至最优的位置。
在本实施例中，吸收塔过程模型的建立过程包括：
基于贝叶斯网络确定吸收塔脱硫过程模型结构，包括将负荷、入口SO2浓度、入口温度、入口O2浓度、pH值作为非可调控输入变量，将吸收塔石灰石浆液供给量和循环泵运行组合作为可调控输入变量，将出口SO2浓度作为输出变量；
基于确定的吸收塔脱硫过程模型结构确定脱硫过程模型参数，包括根据吸收塔的脱硫历史运行数据和相关试验数据，通过各脱硫运行变量之间依赖关系的强弱的概率分将先验信息与样本知识相结合，自动进行离线学习模型参数；
根据确定的吸收塔脱硫过程模型结构及参数，建立基于贝叶斯网络的吸收塔脱硫过程模型。
在本实施例中，吸收塔过程模型的建立过程还包括：将吸收塔脱硫过程模型作为优化控制中的目标函数，通过贝叶斯推理由每组候选脱硫控制量推导出相应的吸收塔运行状态，用以选出经济性最优的脱硫控制量。
在本实施例中，贝叶斯推理使用变量消除法，通过联合概率分布相加除去无关变量得到任一变量的条件概率。
在本实施例中，贝叶斯推理包括从观察的脱硫控制量预测受其影响而得到的出口SO2浓度。
在本实施例中，贝叶斯推理还包括从观察的出口SO2浓度推断出导致其发生的脱硫控制量变化。
在本实施例中，吸收塔过程模型的建立过程还包括通过计算均方根误差率选择最优的吸收塔脱硫过程模型结构来描述吸收塔的脱硫过程。
本实施例提供的吸收塔过程多目标协同智能优化控制方法，使用基于粒子群优化算法的多目标优化控制，可以有效地选取吸收塔石灰石浆液供给量、循环泵运行组合方式这两个优化目标，同时实现出口SO2浓度达标，并降低脱硫设备的能耗。具体包括：
(一)在线进行自适应多目标优化控制。
该优化控制方法使用基于粒子群优化算法的多目标优化(Multi-objectiveOptimization)控制。粒子群优化(Particle Swarm Optimization,简称PSO) 与其他进化算法一样，也是基于“种群”和“进化”的概念，通过个体间的协作与竞争，实现复杂空间最优解的搜索；同时粒子群优化算法又不像其他进化算法那样对个体进行交叉、变异、选择等进化算子操作，而是将群体(Swarm) 中的个体看作是D维搜索空间中没有质量和体积的粒子(Particle)，每个粒子以一定的速度在搜索空间中运动，并向自身历史最优位置和整体最优位置聚集，实现对候选解的进化。粒子群优化算法具有很好的生物社会背景而易理解，流程简单易实现，算法参数简单，对非线性、多峰问题具有较强的全局搜索能力。
将粒子优化算法应用于吸收塔脱硫过程优化控制，每个优化问题的潜在解都可以想象成D维搜索空间中的一个粒子，所有的粒子都有一个被目标函数 (Fitness Function)决定的适应度值(Fitness Value)，这些粒子在搜索空间中以一定的速度飞行，其速度的大小和方向根据粒子本身的飞行经验和整个种群的飞行经验进行动态调整。随即，所有粒子会追随当前的最优粒子在解空间内搜索。
假设在一个寻找最小值问题中，需要找到最优解x使得多维目标函数f(x)满足下式，
x＝argminf(x) (1)
在一个D维的目标搜索空间中，有N个粒子组成一个群体，其中第i个粒子表示为一个D维的向量
Figure BDA0001271405730000061
即第i个粒子在D维德搜索空间中的位置是
Figure BDA0001271405730000062
换言之，每个粒子的位置就是优化问题的一个潜在的解。将
Figure BDA0001271405730000063
代入目标函数(FitnessFunction)就可以计算出其适应值，根据适应值得大小来衡量
Figure BDA0001271405730000064
的优劣。设每个粒子的适应值为Fitnessi(i∈[1,N])。第i个粒子的飞行速度也是一个D维的向量，记为
Figure BDA0001271405730000065
记第i个粒子迄今为止搜索到的最优位置为
Figure BDA0001271405730000066
整个粒子群迄今为止搜索到的最优位置为 gbest＝(g1,g2,...,gD)。每个粒子的运行模式不仅取决于自身的飞行经验(即pbest)，还会受到整个种群的飞行经验的影响(即gbest)。因此，粒子群优化算法可以保证最终结果是全局最优值，而不是困在了局部最优值。如图2所示，粒子群优化算法的过程如下：
1)设置N个粒子的初始值，每个粒子xi代表优化问题的一个潜在解， i∈[1,N]。对于最小值优化问题，每个粒子的适应值Fitnessi，每个粒子的最优位置
Figure BDA0001271405730000071
和整个种群的最优位置gbest都设为无穷大。
2)在迭代次数t达到设置的最大迭代数tmax之前，或者，未满足某种终止条件的情况下，在每次迭代中重复以下步骤：
(a)计算每个粒子的适应值，Fitnessi＝f(xi)；
(b)更新每个粒子迄今为止搜索到的最优位置
Figure BDA0001271405730000072
(c)更新整个粒子群迄今为止搜索到的最优位置
Figure BDA0001271405730000073
(d)根据下式移动粒子，
xi,t+1＝xi,t+ui,t+1, (2)
其中，式中ui,t+1定义为
Figure BDA0001271405730000074
其中，ui,t代表第i个粒子在时间段t的飞行速度，ui,t+1代表第i个粒子在下个时间段t+1的飞行速度，ω是小于1的常数，用来反馈粒子在时间段t的飞行速度对下个时间段t+1的飞行速度的影响。xi,t代表第i个粒子当前的位置。学习因子c1和c2是这些变量对确定飞行速度影响的权重值。r1和r2是介于[0,1] 之间的随机常数，对算法加入随机因素。
(e)t＝t+1。
3)迭代结束，可以得出满足多维目标函数f(x)的最优解x。
本方案使用基于粒子群优化算法的多目标优化控制，当脱硫塔的运行工况发生改变时，将变化的脱硫变量(一般为机组的计划发电量和预测入口SO2浓度等)作为多输入进入多目标优化模块，系统会随机生成多个多维度粒子，每一个粒子代表了一种问题的解决方案，即对应于当前工况下的一组石灰石浆液供给量、循环泵运行组合方式的值。对所有粒子进行遍历迭代寻优的过程中，将每个粒子输入离线学习得到的吸收塔的脱硫过程模型，通过贝叶斯推理，从观察的脱硫控制量预测受其影响而得到的脱硫运行状态，即可以得到出口SO2浓度和脱硫设备能耗的概率分布，然后根据优化的目标函数(Fitness Function)来评判该粒子的优劣。
在每一次迭代后，每个粒子都会自动根据自己的历史最优值和全局(整个粒子群)的最优值来更新自己的参数。经历了所有迭代后，所有粒子都会收敛至最优的位置。针对该项目，优化的目标函数是在实现出口SO2浓度达标，并降低脱硫设备的能耗之间寻求最优，即尽可能达到标准且平稳的出口SO2浓度和最低设备能耗。
(二)本发明的技术效果包括：
1)可以快速地收敛到解决问题的最优值。粒子群优化算法的最大特点之一是可以实现系统在线进行寻优，能使脱硫的优化调整系统对负荷频繁调整、燃煤品质变化剧烈等现状进行快速反应。
2)粒子群优化算法对每个粒子的更新不仅是基于自己的历史最优值，而且还基于整个粒子群的历史最优值，这样避免了最终结果是局部最优值而不是全局最优值。
3)粒子群优化算法与贝叶斯网络建模算法具有良好的兼容性，不会因模型的结构、维度变化，而引起优化控制算法的重建。
4)粒子群优化算法可以实现多目标优化控制，在控制范围内同时实现出口 SO2浓度达标，并降低脱硫设备的能耗。
5)粒子群优化算法可以根据项目需要，随时调整输入参数的上、下限限值，从而确保在调整各主要控制量后，优化过程在安全范围内运行实现。
6)粒子群优化算法的寻优范围取决于搜索空间的设置，因此该算法具备在运行历史数据范围之外寻找最优运行方式的能力。
7)粒子群优化算法可以通过改变目标函数而灵活扩展其优化目标，并具备根据模型-优化目标和历史数据，重构优化系统的能力。
8)流程简单，工程上易实现。
以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种吸收塔脱硫过程多目标协同智能优化控制方法，其特征在于，包括：
步骤1，基于粒子群优化算法的多目标优化控制，将吸收塔石灰石浆液供给量、循环泵运行组合方式作为优化目标进行遍历迭代寻优，并在遍历迭代寻优过程中基于吸收塔脱硫过程模型获取出口SO2浓度和脱硫设备能耗的概率分布；
具体包括：
将变化的脱硫变量输入多目标优化模型，并随机生成多个多维度粒子；其中，每个粒子对应于当前工况下的一组石灰石浆液供给量、循环泵运行组合方式的值；其中，所述脱硫变量包括机组的计划发电量和预测入口SO2浓度；
对所有粒子进行遍历迭代寻优的过程中，将每个粒子输入离线学习得到的吸收塔脱硫过程模型，通过贝叶斯推理，得到脱硫运行状态，进而得到出口SO2浓度和脱硫设备能耗的概率分布；所述对所有粒子进行遍历迭代寻优包括：在每一次迭代后，每个粒子自动根据自己的历史最优值和全局的最优值更新自己的参数；经历了所有迭代后，所有粒子收敛至最优的位置；
所述吸收塔脱硫过程模型的建立过程包括：
基于贝叶斯网络确定吸收塔脱硫过程模型结构，包括将负荷、入口SO2浓度、入口温度、入口O2浓度、pH值作为非可调控输入变量，将吸收塔石灰石浆液供给量和循环泵运行组合方式作为可调控输入变量，将出口SO2浓度作为输出变量；
基于确定的吸收塔脱硫过程模型结构确定吸收塔脱硫过程模型参数，包括根据吸收塔的脱硫历史运行数据和相关试验数据，通过各脱硫运行变量之间依赖关系的强弱的概率分布将先验信息与样本知识相结合，自动进行离线学习模型参数；
根据确定的吸收塔脱硫过程模型结构及参数，建立基于贝叶斯网络的吸收塔脱硫过程模型；
将吸收塔脱硫过程模型作为优化控制中的目标函数，通过贝叶斯推理由每组候选脱硫控制量推导出相应的吸收塔运行状态，用以选出经济性最优的脱硫控制量；
步骤2，根据优化的目标函数评判所述优化目标的优劣；其中，优化的目标函数是在实现出口SO2浓度达标并降低脱硫设备能耗之间寻求最优。
2.根据权利要求1所述的吸收塔脱硫过程多目标协同智能优化控制方法，其特征在于，所述粒子群优化算法的过程包括：
1)设置N个粒子的初始值，每个粒子xi代表优化问题的一个潜在解，i∈[1,N]；其中，对于最小值优化问题，每个粒子的适应值Fitnessi、每个粒子的最优位置
Figure FDA0002488217960000021
和整个种群的最优位置gbest都设为无穷大；
2)在迭代次数t达到设置的最大迭代数tmax之前，或者，未满足终止条件的情况下，在每次迭代中重复以下步骤：
(a)计算每个粒子的适应值，Fitnessi＝f(xi)；
(b)更新每个粒子迄今为止搜索到的最优位置
Figure FDA0002488217960000022
(c)更新整个粒子群迄今为止搜索到的最优位置
Figure FDA0002488217960000023
(d)根据下式移动粒子，
xi,t+1＝xi,t+ui,t+1,
其中，式中ui,t+1定义为
Figure FDA0002488217960000024
其中，ui,t代表第i个粒子在第t次迭代时的飞行速度，ui,t+1代表第i个粒子在下个第t+1次迭代时的飞行速度，ω是小于1的常数，用来反馈粒子在第t次迭代时的飞行速度对下个第t+1次迭代时的飞行速度的影响；xi,t代表第i个粒子当前的位置；学习因子c1和c2是确定飞行速度影响的权重值；r1和r2是介于[0,1]之间的随机常数；
(e)t＝t+1；
3)迭代结束，得出满足多维目标函数f(x)的最优解x。
3.根据权利要求1所述的吸收塔脱硫过程多目标协同智能优化控制方法，其特征在于，所述贝叶斯推理使用变量消除法，通过联合概率分布相加除去无关变量得到任一变量的条件概率。
4.根据权利要求3所述的吸收塔脱硫过程多目标协同智能优化控制方法，其特征在于，所述贝叶斯推理包括从观察的脱硫控制量预测受其影响而得到的出口SO2浓度。
5.根据权利要求4所述的吸收塔脱硫过程多目标协同智能优化控制方法，其特征在于，所述贝叶斯推理还包括从观察的出口SO2浓度推断出导致其发生的脱硫控制量变化。
6.根据权利要求5所述的吸收塔脱硫过程多目标协同智能优化控制方法，其特征在于，所述吸收塔脱硫过程模型的建立过程还包括通过计算均方根误差率选择最优的吸收塔脱硫过程模型结构来描述吸收塔的脱硫过程。
CN201710248836.7A 2017-04-17 2017-04-17 吸收塔脱硫过程多目标协同智能优化控制方法 Active CN107203687B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710248836.7A CN107203687B (zh) 2017-04-17 2017-04-17 吸收塔脱硫过程多目标协同智能优化控制方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710248836.7A CN107203687B (zh) 2017-04-17 2017-04-17 吸收塔脱硫过程多目标协同智能优化控制方法

Publications (2)

Publication Number Publication Date
CN107203687A CN107203687A (zh) 2017-09-26
CN107203687B true CN107203687B (zh) 2020-09-01

Family

ID=59905998

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710248836.7A Active CN107203687B (zh) 2017-04-17 2017-04-17 吸收塔脱硫过程多目标协同智能优化控制方法

Country Status (1)

Country Link
CN (1) CN107203687B (zh)

Families Citing this family (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109034457B (zh) * 2018-06-28 2022-03-25 杭州电子科技大学 一种燃煤电厂污染物低成本协同脱除建模及优化方法
CN109173631B (zh) * 2018-09-19 2021-05-25 华能辛店发电有限公司 一种串联双塔烟气脱硫系统的节能优化方法
CN109932909A (zh) * 2019-03-27 2019-06-25 江苏方天电力技术有限公司 火电机组脱硫系统的大系统耦合多变量优化匹配控制方法
CN110125939B (zh) * 2019-06-03 2020-10-20 湖南工学院 一种机器人虚拟可视化控制的方法
CN111240282B (zh) * 2019-12-31 2021-12-24 联想(北京)有限公司 一种工艺优化方法、装置、设备及计算机可读存储介质
CN111461391B (zh) * 2020-01-22 2022-05-20 杭州电子科技大学 一种煤泥流化床锅炉脱硫协同优化运行方法
CN111611691A (zh) * 2020-04-21 2020-09-01 大唐环境产业集团股份有限公司 基于多模态模型预测控制脱硫系统多目标优化控制方法
CN112102901A (zh) * 2020-08-26 2020-12-18 北京国电龙源环保工程有限公司 一种基于Matlab软件计算石灰石浆液密度最优值算法模型的方法
CN112926765A (zh) * 2021-01-22 2021-06-08 湖南大唐先一科技有限公司 一种脱硫系统运行优化方法以及信息物理融合系统
CN113593653B (zh) * 2021-07-05 2023-10-20 国能龙源环保有限公司 一种湿法脱硫装置整体经济效益最优控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693451A (zh) * 2012-06-14 2012-09-26 东北电力大学 基于多参数的氨法烟气脱硫效率预测方法
EP2846203A2 (en) * 2013-09-10 2015-03-11 Alstom Technology Ltd Automatic tuning control system for air pollution control systems
CN104657586A (zh) * 2014-12-31 2015-05-27 重庆科技学院 基于异常工况检测的高含硫天然气净化工艺建模优化方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102693451A (zh) * 2012-06-14 2012-09-26 东北电力大学 基于多参数的氨法烟气脱硫效率预测方法
EP2846203A2 (en) * 2013-09-10 2015-03-11 Alstom Technology Ltd Automatic tuning control system for air pollution control systems
CN104657586A (zh) * 2014-12-31 2015-05-27 重庆科技学院 基于异常工况检测的高含硫天然气净化工艺建模优化方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于过程监控的烟气排放软测量预测研究;刘林杰;《中国优秀硕士学位论文全文数据库工程科技I辑》;20160515(第05期);第B027-365页 *
湿法烟气脱硫过程建模与优化;陈尔鲁;《中国优秀硕士学位论文全文数据库工程科技II辑》;20160815(第08期);第C042-463页 *
陈尔鲁.湿法烟气脱硫过程建模与优化.《中国优秀硕士学位论文全文数据库工程科技II辑》.2016,(第08期),第C042-463页. *

Also Published As

Publication number Publication date
CN107203687A (zh) 2017-09-26

Similar Documents

Publication Publication Date Title
CN107203687B (zh) 吸收塔脱硫过程多目标协同智能优化控制方法
Li et al. Coordinated load frequency control of multi-area integrated energy system using multi-agent deep reinforcement learning
Moghaddam et al. Multi-objective operation management of a renewable MG (micro-grid) with back-up micro-turbine/fuel cell/battery hybrid power source
Ma et al. Forecasting iron ore import and consumption of China using grey model optimized by particle swarm optimization algorithm
Ardakani et al. A novel approach for optimal chiller loading using particle swarm optimization
Li et al. Improved decomposition–coordination and discrete differential dynamic programming for optimization of large-scale hydropower system
CN105631528B (zh) 一种基于nsga-ii和近似动态规划的多目标动态最优潮流求解方法
CN108490790A (zh) 一种基于多目标优化的过热汽温自抗扰串级控制方法
CN110363343B (zh) 一种混合自适应的水电站群智能优化调度方法及系统
CN110888317A (zh) 一种pid控制器参数智能优化方法
CN112130538B (zh) 磨煤机的控制优化及模型训练的方法、装置、设备和介质
CN115470704B (zh) 一种动态多目标优化方法、装置、设备和计算机可读介质
Banerjee et al. Seeker optimization algorithm for load-tracking performance of an autonomous power system
Safari et al. Optimal load sharing strategy for a wind/diesel/battery hybrid power system based on imperialist competitive neural network algorithm
Graf et al. Distributed reinforcement learning with ADMM-RL
CN110059821A (zh) 神经网络优化方法、装置、计算机设备及存储介质
Makhadmeh et al. Recent advances in multi-objective grey wolf optimizer, its versions and applications
CN115795992A (zh) 一种基于运行态势虚拟推演的园区能源互联网在线调度方法
CN114880927A (zh) 一种智慧电厂监控方法、系统、设备及存储介质
Whig et al. Renewable Energy Optimization System Using Fuzzy Logic
Wu et al. Applications of AI techniques to generation planning and investment
Barzegar et al. A novel fully informed water cycle algorithm for solving optimal power flow problems in electric grids
Mittal et al. Different variants of particle swarm optimization algorithms and its application: A review
Yu et al. Flexible operation of a CHP‐VPP considering the coordination of supply and demand based on a strengthened distributionally robust optimization
CN109506248A (zh) 一种基于可在线寻优的案例推理查询式锅炉燃烧优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant